五個可視化網站，助你交互式的學習機器學習概念
機器學習算法如何在后臺運行是很多人都不了解的一個方面。CNN層會看到什么?反向傳播如何工作?圖層中的權重如何精確更新?這些是我們一次又一次想到的一些問題。這些概念對于希望在將數學方程式與理論對齊方面遇到困難的初學者而言尤其不堪重負。好消息是，有些人了解這種痛苦，并希望提供其他學習形式。本文是對五個這樣的工具的匯編，這些工具超出了理論范圍，而是直觀地介紹了標準機器學習概念。
1. MLaddict.com
> source: https://www.mladdict.com/
如果您想了解以下四種算法的基本數學概念，mladdict.com是一個很好的工具：
- 線性回歸
- 神經網絡
- 循環網絡
- Q學習代理
它會在您的瀏覽器中打開一個模擬器，然后演示算法每個階段發生的情況。以下是模擬器的演示，展示了如何使用梯度下降算法進行線性回歸。
2. 視覺上的解釋
> source: mladdict.com
視覺解釋(EV)(https://setosa.io/ev)是旨在使具有挑戰性的想法變得直觀的實驗。它的靈感來自布雷特·維克多(Bret Victor)的《探索解釋》。該網站上最近更新的文章可以追溯到2017年，因此您將找不到任何最新材料，但是那里的材料簡直很棒。由于它們的創建如此精美，因此我在一些博客中借用了一些視覺解釋。下面是EV如何解釋主成分分析(PCA)概念的簡要介紹。查看他們的網站，尋找其他激動人心的作品。
3. 看見理論
> source: https://seeing-theory.brown.edu/
Seeing Theory是一個直觀地介紹概率和統計信息的網站。該網站的目標是通過交互式可視化使統計信息更易于訪問。本書為以下六個統計概念提供了直觀的解釋。
- 基本概率
- 復合概率
- 概率分布
- 慣常推論
- 貝葉斯推理
- 回歸分析
讓我們看看看理論是如何引入概率論的基本概念的。
4. R2D3：統計和數據可視化
> source: R2D3: Statistics and Data Visualization
R2D3(http://www.r2d3.us/)是通過交互設計表達統計思維的實驗。它以結構化的方式直觀地介紹了機器學習的概念。當前，該站點上提供以下主題：
- 第1部分：決策樹
- 第2部分：偏差和方差
- 在機器學習的世界中設計
- 了解COVID-19
這是您如何可視化決策樹進行分類的方法
5. CNN解釋器
> source: https://poloclub.github.io/cnn-explainer/
CNN Explainer是一個交互式可視化系統，旨在幫助非專家學習卷積神經網絡(CNN)。CNN Explainer是一款結合了CNN的模型概述和動態視覺說明的工具，可幫助用戶理解CNN的基本組成部分。通過跨抽象級別的平穩過渡，我們的工具使用戶可以檢查低級數學運算和高級模型結構之間的相互作用。
結論
總而言之，我們研究了五個有用的工具，這些工具使機器學習和統計概念的學習更加有趣。正確地說，一張圖片值一千字。以交互形式呈現時，復雜的術語變得更容易理解。這也有助于降低初學者進入機器學習領域的障礙。
